L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2830
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
vous feriez mieux de vous taire, vous auriez l'air beaucoup plus intelligent ou au moins mieux élevé.
Vous devriez étudier la base de données BASE !!!!
Qu'est-ce que l'optimisation locale, l'optimisation globale, les types de fonctions, les types d'optimisation, les types d'optimisation, quel type d'optimisation appliquer à quelle fonction, etc....
Optimisation discrète, optimisation continue, multicritères, etc... quelle est la différence, quel est le but, où appliquer l'une et ne pas appliquer l'autre....
Vous ne connaissez pas les choses de base !!!
Pourquoi devrais-je me taire si j'ai quelque chose à dire sur le sujet, je ne suis pas une personne non stupide qui veut juste dire quelque chose.
Il vous a été suggéré de tester l'apprentissage/optimisation sur quelques fonctions représentatives, ce qui est une bonne pratique.
Si vous pensez que les réseaux neuronaux le font parfaitement, vous vous trompez probablement.
Il ya là une perception spécifique, au niveau du culte du kargo et de la croyance en un R divin, apportant les cadeaux de la civilisation.
J'ai toujours plus confiance dans les professionnels qui passent leur vie à s'occuper d'un seul problème, ici l'optimisation et, en particulier, la descente de gradient.
Et le principal signe des amateurs est de parler des professionnels avec mépris. R est un langage professionnel, la référence en matière de statistiques aujourd'hui. Il est temps de l'apprendre, au lieu d'écrire toutes sortes de conneries sur la "foi et les kargo-cultes".
Je fais toujours plus confiance aux professionnels qui ont passé toute leur vie à travailler sur le même problème, en l'occurrence l'optimisation et en particulier la descente de gradient.
Et le principal signe des amateurs, c'est de parler avec mépris des professionnels. R est un langage professionnel, la référence en statistique aujourd'hui. Il est temps de l'apprendre, et de ne pas écrire toutes sortes de conneries sur la "foi et les kargo-cultes".
1. vous croyez certainement aux professionnels, mais vous n'en avez pas nommé un seul et vous n'avez pas donné de liste d'ouvrages sur ce sujet
1. La question de Dick est parfaitement valable et correcte. Je n'utilise pas NS, mais je sais pertinemment que toute fonction d'un package R contient nécessairement une référence à l'auteur de l'algorithme, et pour les algorithmes sérieux, une référence à l'article/livre qui décrit l'algorithme implémenté dans R. Puisque vous connaissez bien les NS, si vous utilisiez R, vous pourriez rechercher dans R le type de NS correspondant et trouver la référence correspondante où l'algorithme correspondant est décrit, trouver une discussion sur l'algorithme, découvrir toutes les nuances des professionnels ... et répondre à Dick au plus haut niveau professionnel, au lieu de marmonner quelque chose d'obscène.
2) R par son nom : le langage des statistiques et des graphiques. L'essence de R est révélée par la rubrique de son appareil de référence.
Voici une liste de sujets couverts par les packages R. L'un de ces sujets est l'apprentissage automatique. L'un de ces sujets est l'apprentissage automatique.
Voici une liste de paquets liés à l'apprentissage automatique.
Il y a encore quelques années, on pouvait trouver des concurrents à R parmi d'autres langages statistiques spécialisés. Par exemple, SPPS, à ce jour je n'en ai pas trouvé. R est resté le seul langage statistique, il est soutenu et modéré, il a un grand nombre de miroirs, il est inclus dans les logiciels Microsoft.
3. Il est absolument faux de comparer R à Python.
R est un langage spécialisé. Python est un langage universel. Python dépasse de loin R en nombre d'utilisateurs, mais l'utilisateur principal de Python est le web design. Le fait que Python dispose de paquets statistiques ne lui permet PAS d'être classé comme un langage statistique. Sur cette base, le C++, dans lequel les packages utilisés par R et Python sont implémentés, peut être classé comme un langage statistique. En raison de sa rubrique détaillée et de ses références aux algorithmes des fonctions proposées, R peut être utilisé pour étudier la théorie et la pratique des statistiques, ce qui n'est pas le cas de Python.
Je n'ai pas étudié la question en détail. L'idée semble simple, mais il y a beaucoup de subtilités techniques dans les méthodes de mise en œuvre.
Il existe une recherche complète et une optimisation. Elle est nécessaire pour réduire le temps nécessaire à la recherche d'une solution optimale. C'est pourquoi il s'agit toujours d'un compromis. On peut optimiser avec la méthode du gradient stochastique et obtenir un meilleur résultat qu'avec adam, mais en sacrifiant du temps. Il faut donc choisir. Pour certaines tâches, la précision peut être plus importante que la vitesse, par exemple pour augmenter l'espérance de TC.
.
Une question importante est de savoir ce qu'il faut optimiser. J'aimerais optimiser des critères significatifs liés au profit, au drawdown, à la volatilité, etc.
Le dépassement complet est la meilleure façon d'optimiser (malheureusement pas toujours applicable).
Une question importante est de savoir ce qu'il faut optimiser. J'aimerais optimiser des critères significatifs liés au profit, au drawdown, à la volatilité, etc.
Le dépassement complet est la meilleure façon d'optimiser (malheureusement pas toujours applicable).
Je citerais le slogan "combattre et chercher - trouver et cacher".
définir comme métrique personnalisée n'importe quel critère, en particulier ces critères standard. Il optimisera toujours en fonction de la perte logarithmique, mais il s'arrêtera à ces critères personnalisés, ce qui est probablement logique
et c'est en effet le cas, car l'arrêt au même endroit est toujours basé sur un critère de distribution tel que la précision.